Ultralytics YOLOv5#

Обзор#

YOLOv5u представляет собой развитие методик обнаружения объектов. Созданная на основе базовой архитектуры модели YOLOv5 от Ultralytics, модель YOLOv5u интегрирует безъякорную разделённую голову без objectness — компонент, впервые представленный в моделях YOLOv8. Эта адаптация совершенствует архитектуру модели, обеспечивая более оптимальный баланс точности и скорости в задачах обнаружения объектов. Благодаря эмпирическим результатам и унаследованным возможностям YOLOv5u предлагает эффективную альтернативу для тех, кому нужны надёжные решения как для исследований, так и для практических приложений.

Ключевые особенности#

• Безъякорная разделённая голова Ultralytics: традиционные модели обнаружения объектов используют заранее заданные якорные блоки для прогнозирования расположения объектов. Однако YOLOv5u модернизирует этот подход. Благодаря безъякорной разделённой голове Ultralytics модель обеспечивает более гибкий и адаптивный механизм обнаружения, повышая производительность в различных сценариях.

• Оптимальный баланс точности и скорости: скорость и точность часто находятся на противоположных концах компромисса. Но YOLOv5u меняет этот баланс. Модель обеспечивает выверенное сочетание характеристик, позволяя выполнять обнаружение в реальном времени без снижения точности. Эта особенность особенно ценна для приложений, требующих быстрых ответов, таких как автономные транспортные средства, робототехника и аналитика видео в реальном времени.

• Разнообразие предварительно обученных моделей: поскольку для разных задач требуются разные инструменты, YOLOv5u предоставляет множество предварительно обученных моделей. Независимо от того, занимаешься ли ты инференсом, валидацией или обучением, для тебя найдётся специально подготовленная модель. Такое разнообразие означает, что ты используешь не универсальное решение, а модель, точно настроенную под твою конкретную задачу.

Поддерживаемые задачи и режимы#

Модели YOLOv5u с различными предварительно обученными весами отлично подходят для задач обнаружения объектов. Они поддерживают широкий набор режимов, что делает их подходящими для разнообразных приложений — от разработки до развёртывания.

В этой таблице представлен подробный обзор вариантов моделей YOLOv5u с указанием их применимости в задачах обнаружения объектов и поддержки различных рабочих режимов, таких как инференс, валидация, обучение и экспорт. Такая комплексная поддержка позволяет в полной мере использовать возможности моделей YOLOv5u в самых разных сценариях обнаружения объектов.

Метрики производительности#

Примеры использования#

В этом примере показаны простые примеры обучения и инференса YOLOv5. Полную документацию по этим и другим режимам смотри на страницах документации Predict, Train, Val и Export.

from ultralytics import YOLO

# Load a COCO-pretrained YOLOv5nu model
model = YOLO("yolov5nu.pt")

# Display model information (optional)
model.info()

# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference with the YOLOv5nu model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

Цитирование и благодарности#

Если ты используешь YOLOv5 или YOLOv5u в своих исследованиях, цитируй репозиторий Ultralytics YOLOv5 следующим образом:

@software{yolov5,
  title = {Ultralytics YOLOv5},
  author = {Glenn Jocher},
  year = {2020},
  version = {7.0},
  license = {AGPL-3.0},
  url = {https://github.com/ultralytics/yolov5},
  doi = {10.5281/zenodo.3908559},
  orcid = {0000-0001-5950-6979}
}

Обрати внимание, что модели YOLOv5 предоставляются по лицензиям AGPL-3.0 и Enterprise.

Часто задаваемые вопросы#